
前MySQL CEO:云将重新定义开发者的每一件事
软件自诞生以来的规则就不曾改变,即软件运行于平台之上。但是软件底层的设计和部署方式却时常发生变化,甚至有时候会彻底的改变。
举个例子,在PC、x86架构以及client/server的模式诞生的80年代,应用程序的设计发生了戏剧性的变化。变化再一次发生在90年代中期,这次是由web及开源技术爆发引起的。无论何时,只要发生这样的变革,就迫使开发者重新思考如何开发和部署他们的软件。
图:Marten Mickos
如今,我们再次看到基础设施的能力发生着巨大的增长,以AWS正引领着行业发展。毫无疑问,AWS在云基础设施领域处于全面领先地位,在AWS上运行应用与在私有环境中运行应用有着天然的不同,即使是经过虚拟化的私有环境。但不论现在还是未来,云应用的设计都和过去显著不同。
扩展
过去,扩展意味着纵向扩展(scaling up),存储更大量的数据,你通常购买更大的服务器。
现在,扩展通常为横向扩展(scaling out)。你不需要购买一个更大的机器,你只需要增加同样的机器。在云世界中,这些机器都是虚机。
弹性
过去,软件被视为不靠的,软件的恢复力依靠硬件层实现。
如今,底层的基础设施被视为非常脆弱的,这些虚机并不保证总可用,应用必须为此随时做好准备。
举个例子,Netflix是领先的云计算用户,正使用这一全新的架构。他们正运行着ChaosMonkey
,ChaosMonkey可以轻易的关闭用于底层应用负载的虚机。为什么只有Netflix这么做?因为他们需要保证虚机正常运行时间和恢复力:通过清除应用随机产生的故障虚机,他们强制开发者建立更弹性的应用。
爆发
过去,考虑统计和费用全部通过应用,应用的负载是坚固的,而且是可预期的。很容易知道系统支撑了多少用户,以及在某一时间点有多少记录可能在运行。
如今,负载变得多样化和不可预知。为了满足单一应用不可预知的复杂需求,就需要新的软件架构。我们现在已经在云中实现这一功能,但显然还很初级。
软件多样性
过去,软件没有那么多的类型。每个应用由一种语言编写,并使用一个数据库。公司往往只使用一种或几种操作系统。
在当下的云世界中却大相径庭。一个应用往往使用许多编程语言,调用许多库和工具集,并使用许多数据库产品。
从虚机到云
Hypervisor与现在云计算考虑的不同。领先的虚拟化厂商VMware,建立的Hypervisor本质上是对以前物理机的延续。
不过,在云世界中,虚机可不是物理服务器的代表,而是计算单元额代表。
用户耐心
过去,用户就像病人面对医生时一样听话。系统需要很长时间来处理一个简单的恢复或升级,在应用中增加功能也十分缓慢,有时根本不进行更新。
如今,用户可不是病人。他们几乎不能忍受延迟或等待,他们期待每周在服务商都有所改善。这种迹象可以在企业的自服务IT系统中发现,IT部门可以灵活的提供内部各种资源需求。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29